档案数字化可检索双层PDF制作 零门槛手把手实操技术指南

一、前期工具准备

本次实操选用全免费工具，无付费门槛，所有工具都可直接获取使用：

• 1. OCR识别工具：天若OCR开源版V5.4.1，直接下载地址：https://gitee.com/taozo/tianruoocr/releases/download/5.4.1/TianruoOCR_5.4.1_x64.7z，解压即可使用，无需安装
• 2. PDF处理工具：WPS免费版，普通免费功能足够完成所有操作，从官方渠道下载即可
• 3. 原始素材：已扫描完成的档案单页JPG/PNG图片，或是已经生成的单层不可检索扫描PDF

二、小批量档案手动实操步骤

步骤1：批量提取文字

如果你的原始素材是单层扫描PDF，先导出所有图片：打开PDF后点击「文件→导出→导出图片」，选择存储文件夹，设置分辨率为300DPI，点击导出即可。

如果素材已经是单页图片，直接打开天若OCR开源版，点击顶部菜单栏「批量识别」，在弹出窗口点击「添加文件」，选中所有需要处理的档案图片，按如下要求设置参数：

• 输出格式：选择txt，每个图片生成一个同名的txt文件，方便对应整理
• 输出路径：选择和图片同一个文件夹，降低整理成本
• 文字校正：勾选「开启文字校正」，提升档案生僻字、繁体的识别准确率

设置完成后点击「开始识别」，等待识别完成，所有文字就会保存为对应名称的txt文件。

步骤2：拼接双层结构

打开WPS，新建空白PDF，点击「插入→图片→来自文件」，选中所有按页码排序好的档案图片，插入后WPS会自动适配每页一张图片，确认所有图片顺序正确，没有错漏即可。

接下来添加可检索文字层：点击WPS顶部菜单栏「编辑→内容编辑→添加文字」，用快速技巧批量处理：打开对应页码的txt文件，全选复制所有文字，回到WPS对应PDF页面，点击页面左上角拖拽出一个和页面大小一致的文本框，粘贴文字。

粘贴后调整文本属性：选中文本框，右键点击「属性」，设置文字透明度为100%，关闭文本框边框，然后拖动调整文本框位置，让上层文字和底层扫描的文字完全重叠，如果位置偏差超过1mm，需要调整行间距、字号修正偏差，避免后续检索出错。

重复操作，逐个页面粘贴对应文字、调整对齐，直到所有页面处理完成。

步骤3：导出符合要求的成品

所有页面处理完成后，点击「文件→另存为→选择PDF格式」，保存的时候按照如下要求设置参数：

• PDF兼容性：选择PDF 1.5，符合绝大多数档案管理系统的要求
• 压缩设置：不压缩图片，保持原始300DPI分辨率
• 取消「加密」「去除文字信息」选项，确保文字层可检索、可复制

点击保存，双层PDF就生成完成。

三、大批量档案自动处理方法

如果需要处理100页以上的档案，逐页操作效率太低，可以用Python脚本批量生成，步骤如下：

先安装Python3.8以上版本，下载地址：https://www.python.org/ftp/python/3.8.10/python-3.8.10-amd64.exe，安装时必须勾选「Add Python to PATH」，否则无法运行脚本。

安装完成后打开命令提示符，执行以下命令安装依赖：

``` pip install paddleocr fpdf pillow PyPDF2 ```

然后新建一个文件命名为double_pdf.py，粘贴以下完整可运行代码：

``` from paddleocr import PaddleOCR from PIL import Image import os from PyPDF2 import PdfMerger from fpdf import FPDF 初始化OCR，自动下载预训练模型 ocr = PaddleOCR(use_angle_cls=True, lang='ch') img_folder = "./images" 替换成你的图片文件夹路径 output_pdf = "档案双层成品.pdf" merger = PdfMerger() 按名称排序图片，保证页码正确 img_list = sorted([f for f in os.listdir(img_folder) if f.endswith(('.jpg','.png','.jpeg'))]) for img_name in img_list: img_path = os.path.join(img_folder, img_name) result = ocr.ocr(img_path, cls=True)[0] img = Image.open(img_path) w, h = img.size 生成单页PDF：底层图片+上层透明文字 pdf = FPDF(unit='pt', format=(w, h)) pdf.add_page() pdf.image(img_path, 0, 0, w, h) 白色文字匹配背景，实现透明效果 pdf.set_text_color(255,255,255) for line in result: [[x1,y1],[x2,y1],[x2,y2],[x1,y2]], text_info = line text = text_info[0] font_size = int(y2 - y1) pdf.set_xy(x1, y1) pdf.set_font("Arial", size = font_size) pdf.cell(w = x2-x1, h = y2-y1, txt = text, border=0) temp_pdf = f"temp_{img_name}.pdf" pdf.output(temp_pdf) merger.append(temp_pdf) os.remove(temp_pdf) merger.write(output_pdf) merger.close() print(f"双层PDF已生成，文件名为：{output_pdf}") ```

修改代码里的img_folder参数为你存放图片的文件夹路径，然后命令行运行python double_pdf.py，等待运行完成即可自动生成符合要求的双层PDF。

四、成品校验步骤

生成完成后必须做两步校验，确保符合档案数字化要求：

• 1. 检索校验：按下Ctrl+F，输入档案中任意一个关键词，看能否准确定位到对应位置，能定位说明文字层正常可用
• 2. 对齐校验：放大页面到200%，检查底层扫描图片是否清晰，上层文字是否和底层完全对齐，无错位即可